Введение в Пандас

Пандас — мощная библиотека Пайтона для анализа и обработки данных. Она предоставляет такие структуры данных, как DataFrame и последовательности, упрощающие очистку, преобразование и анализ данных.

В этом уроке Вы изучите основы Пандас и узнаете, как использовать эту библиотеку для анализа данных.

Установка Pandas

Чтобы установить Pandas, используйте следующую команду в терминале:

pip install pandas

После установки вы сможете импортировать Pandas в свои скрипты на Python:

# Importing pandas
import pandas as pd

print("Pandas imported successfully")

Что такое DataFrame?

DataFrame — это двумерная табличная структура данных в Pandas. Она похожа на электронную таблицу или таблицу SQL.

Вы можете создать DataFrame из словаря, списка или внешнего файла:

# Creating a DataFrame from a dictionary
data = {
    "Name": ["Alice", "Bob", "Charlie"],
    "Age": [25, 30, 35],
    "City": ["New York", "London", "Paris"]
}
df = pd.DataFrame(data)
print(df)

Чтение данных из файлов

Pandas упрощает чтение данных из внешних файлов, например файлов CSV, Excel и JSON:

# Reading data from a CSV file
df = pd.read_csv("data.csv")
print(df.head())  # Displays the first 5 rows

Проверка DataFrame

Вы можете проверить структуру и содержимое DataFrame с помощью таких методов, как head(), info() и describe():

# Inspecting a DataFrame
df = pd.read_csv("data.csv")
print(df.info())  # Displays information about the DataFrame
print(df.describe())  # Provides statistical summaries

Фильтрация и выбор данных

Pandas позволяет легко фильтровать строки и выбирать столбцы с помощью условий и индексации:

# Filtering and selecting data
filtered_df = df[df['Age'] > 30]  # Select rows where Age > 30
print(filtered_df[['Name', 'City']])  # Select specific columns

Очистка данных

Pandas предоставляет методы для очистки данных, например обработки пропущенных значений, переименования столбцов и удаления дубликатов:

# Handling missing values
df.fillna(0, inplace=True)  # Replace NaN values with 0

# Renaming columns
df.rename(columns={"Name": "Full Name"}, inplace=True)

# Dropping duplicates
df.drop_duplicates(inplace=True)
print(df)

Выполнение агрегирования

Pandas позволяет выполнять такие операции агрегирования, как суммирование, вычисление среднего и группировка данных:

# Grouping and aggregating data
grouped = df.groupby('City')['Age'].mean()
print(grouped)  # Displays average age for each city

Распространённые ошибки при работе с Pandas

Вот каких ошибок следует избегать:

• Неправильная обработка пропущенных значений.
• Использование неэффективных циклов вместо векторизованных операций.
• Забыть указать inplace=True для операций, изменяющих данные.

Что мы узнали?

В этом уроке вы научились:

• Устанавливать и импортировать Pandas.
• Работать со структурой DataFrames и создавать их.
• Читать, очищать, фильтровать и агрегировать данные с помощью Pandas.

Отличная работа! Перейдём к следующей теме.